1 / 22

Adatelemzés az egészségügyi szervező képzésben

Adatelemzés az egészségügyi szervező képzésben. Takács Péter III. Egészségügyi Informatika Nap 2010.05.06. Nyíregyháza. Cél: a szakon/tanszéken folyó, statisztikával kapcsolatos munka bemutatása. Adatelemzés, statisztikai elemzés szubjektív előadás. Biometria oktatás a kezdetektől

fiorenza
Download Presentation

Adatelemzés az egészségügyi szervező képzésben

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Adatelemzés az egészségügyi szervező képzésben Takács Péter III. Egészségügyi Informatika Nap 2010.05.06. Nyíregyháza

  2. Cél: a szakon/tanszéken folyó, statisztikával kapcsolatos munka bemutatása Adatelemzés, statisztikai elemzés szubjektív előadás Biometria oktatás a kezdetektől Dr. Jóna István – DOTE Szakmai önéletrajz „Biometria Főiskolai Kar, „Egészségügyi Ügyvitelszervező” szak, előadás, gyakorlat 1991-1995 Függvénytan Főiskolai Kar, „Egészségügyi Ügyvitelszervező” szak, előadás 1991-1995.” 1995-től önállóan (kisebb megszakítással) előadás és gyakorlat Tanszék oktatói: akik kapcsolatba kerültek a statisztikával dr. Ködmön József, dr. Zagyi Bertalan, dr. Szegedi János, dr. Ficzere Andrea, Tilki László, Csajbók Zoltán, Takács Péter, Kristóf Zsolt, Bodnár Károly, Paulikné Varga Barbara, Prof. Dr. Fábry Zoltán, Prof. Dr. Jávor András, Prof. Dr. Kékes Ede Prof. Dr. Pethő Attila, Dr. Adorján Erzsébet, Bérczesné Dr. Takács Júlia Dr. Bordás István, Dr. Boronkai Zsuzsa, Dr. Bujdosó Gyöngyi, Dr. Daragó László, Dr. Dávid Gyula, Dr. Fábián Gergely, Dr. Hagymási József, Dr. Hajnal Béla, Dr. Huszti Andrea, Dr. Ispány Márton, Dr. Kalapos István, Dr. Kiss János, Dr. Kósa Zsigmond, Dr. Koós István, Dr. Kovács János, Dr. Ladányi Jánosné, Dr. Lipóczki Imre, Dr. Mádi Sarolta, Dr. Nagy Péter, Dr. Nádas György, Dr. Pauwlik László, Dr. Sárváry Attila, Dr. Sipos László, Dr. Vályi Sándor, Babkáné Földesi Ilona, Biszkuné Orosz Tóth Ildikó, Deák Lászlóné, Hartmann Róbert, Jóna György, Kovács Ilona, Kulja András, Ledeczky Gábor, Mócsánné Ambrus Katalin, Molnár Mónika, Móricz Istvánné, Mráz Bernadett, Orendi Mihály, Rivnyák József, Schellenberger V., Tilki Ágnes, …

  3. Matematika I. és II. Gazdaságstatisztika I. és II. Biztosításmatematika és kockázatelemzés I. és II. Biometria I., II. és III. évfolyamdolgozat Az egészségügy gazdaságtana és statisztikája - szigorlat Szakmai gyakorlat E, Biometria Szakdolgozat Záróvizsga (államvizsga) + „külső” munkák – minden szinten = évfolyamdolgozat, szakdolgozat, TDK, …

  4. Biometria I. Előadás: • A biometria fogalma, tárgya és alkalmazási területei. Biológiai folyamat és modellalkotás. Statisztika fogalma. A megfigyelt adatok tulajdonságai. Adattípusok. • Valószínűségszámítási alapfogalmak. Eseményalgebra. Valószínűség fogalma. Kolmogorov-féle axiómák és követekzményeik. Feltételes valószínűség. Bayes-tétel. Gyakorisági eloszlások. • Valószínűségi változók jellemzése. Eloszlásfüggvény és sűrűségfüggvény. Valószínűségi változók eloszlásának paraméterei (várható érték, szórás,...) Nevezetes eloszlástípusok (binomiális, Poisson, normá-lis,...). A különböző eloszlások jellemzése, gyakorlati megjelenése. A paraméterek jellemzőinek számítása. • Statisztikai alapok. Középértékek. Szórás. Momentumok. • Megbízhatósági tartományok. Intervallumbecslés. • Hipotézisvizsgálat. Egy és kétoldalú próbák. F-próba, t-próbák. ANOVA. Tukey-próba, Scheffé-féle összehasonlítás. • Kapcsoalt vizsgálata. Kovariancia. Lineáris korrelációs együttható. Többszörös korreláció. Parciális korrelációs együttható. • Minőségi adatok vizsgálata. Kontingencia-tábla. Khí-négyzet próba. • Epidemiológiai vizsgálatok. • Nemparaméteres eljárások. Rangkorreláció. Gyakorlat: Feladatmegoldás, feladatkörök: • Kombinatorika. Permutáció, kombináció, variáció. Vegyes feladatok. Eseményalgebra. Az eseményalgebra és a valószínűségszámítás kapcsolata. Valószínűségszámítási alapfogalmak. A klasszikus valószínűségi mező. Geometriai valószínűségi mező. A valószínűségszámítás alaptételei és alkalmazási lehetőségeik. Feltételes valószínűség. Függetlenség. • Valószínűségi változók és osztályozásuk. Valószínűségi változók eloszlásai. Eloszlásfüggvény és sűrűségfüggvény. Valószínűségi változók eloszlásának paraméterei (várható érték, szórás,...). Valószínűségi változók további paraméterei (momentum, ferdeség, lapultság ...). • Nevezetes eloszlástípusok (binomiális, Poisson, normá-lis,...). A különböző eloszlások jellemzése, gyakorlati megjelenése. A paraméterek jellemzőinek számítása. • Nagy számok törvényei. Centrális eloszlások, határeloszlás tételek, eloszlások kapcsolata. • A matematikai statisztika alapelvei. Mintavétel elmélete, módszerei. A statisztikai mintavétel problémái. • Leíró statisztika, a minta jellemzőinek számítása. Empirikus eloszlás és sűrűségfüggvény értelmezése. Az adatok számítógépes elemzése. Az elméleti és az empirikus változók, eloszlások kapcsolata. • Becsléselmélet. A becslési probléma. Pont és intervallumbecslés. A becslések tulajdonságai. A becslés módszerei (maximum likelihood módszer, ...). • Megbízhatósági intervallumok. • Bevezetés a hipotéziselméletbe. Alapvető paraméteres próbák.

  5. Biometria II. • Előadás: • Ismétlés: Biostatisztika alapjai. Valószínűségszámítás, valószínűségi változók. Becsléselmélet. Hipotéziselmélet. Korreláció- és regressziószámítás. Diszkrét valószínűségi változók vizsgálata. Epidemiológiai számítások, modellek. • Követéses adatok vizsgálata. Túléléselemzés. Minőségi adatok vizsgálata. Kontingencia táblák. Log-lineáris modell. Lineáris regresszió. ANOVA modellek. Metaanalízis. Nemparamé-teres vizsgálatok. Faktor-elemzés. Cluster-analízis. Kutatásmódszertan. Gyakorlat: Statisztikai programcsomag használata: Excel • Az alkalmazott programcsomag alapvető funkciói. Beépített függvények. Input, output lehetőségek, adatkonverzió. A parancssoros mód használata. Adatábrázolási lehetőségek. Leíró statisztikai számítások. Központi tendencia mérése, szóródás. A változók összefüggésének alapvető vizsgálata. Hipotéziselméleti számítások. Paraméteres próbák. Nemparaméteres próbák. Homogenitás-vizsgálat. Szórásanalízis. Egyszempontos és kétszempontos analízis. Regresszió analízis. Lineáris regresszió. Lineáris regresszió kategoriális független változóval. Nemlineáris regresszió. Biometria III. Elsajátítandó fogalmak, tevékenységek • Statisztikai programcsomag (SPSS, R) használata: Haladó statisztikai számítások. • Haladó statisztika. Az általános lineáris modell (GLM). Egyszeres és kétszeres osztályozás. Ismételt mérések. Faktoranalízis és főkomponens analízis. Osztályozási módszerek. Diszkriminancia analízis. Klaszter analízis. Idősorok elemzése. Exponenciális szűrés. Trendszámítás. Szezonalitás. • A természettudományos kutatás folyamata. • A biostatisztika helye a tudományos kutatásban. A megismerés formái. Kutatási téma. Kísérletek és megfigyelések. Kiértékelés. Modellalkotás. Ellenőrzés. Statisztikai adatforrások. Mintavétel elmélete és gyakorlata. Számítógépes adatbázisok. HSI, HFA, WHO, ESKI, stb. adatbázisok. Szakirodalmi források. Szakirodalom haszna és szerkezete. Hagyományos és Internet elérésű szolgáltatások. Adatok feldolgozása. Statsiztikai adatfeldolgozás. Kiértékelés. Modellalkotás. A tudományos közlés. • A DE-EF Szervező Alapszak szakdolgozati követelményrendszerének áttekintése. A szakdolgozatírás folyamata. A védés és az értékelés folyamata.

  6. Adatbázisok:HFA, ESKI, EuroStat … Terv Terv EREDMÉNYEKközvetlen - szakdolgozatokközvetett - munkahely

  7. SZAKDOLGOZATOKválogatás szempontjai: módszer, téma, érdekesség, … nagy rész „ … ” Szakdolgozatokból kivágott részek … Mindről lehetne 20-20 percet beszélni … Villanások …

  8. Tóth Miklós: A haláloki főcsoportok elemző bemutatása Szabolcs-Szatmár-Bereg megyében az országos és régiós adatok tükrében - 2008 Dolgozatom fő célja Szabolcs-Szatmár-Bereg megye haláloki struktúrájának bemutatása a magyarországi, valamint Magyarország hét nagy régiójának halálozási adatainak tükrében.

  9. Mit jelent ez országos szinten? Hol áll a megye, a régió? ANOVA Egyszempontos variancia-analízis Szabolcs-Szatmár-Bereg megye kiemelten rossz helyzetű a következő halálozási mutatók esetében: 1. A mortalitás külső oka miatti halálozás (Dél-Alföldi Régió). 2. A légzőrendszer megbetegedései miatti halálozás (Dél-Dunántúli Régió). 3. A keringési rendszer betegségei miatti halálozás (Észak-Magyarországi Régió). Átlagos helyzet tapasztalható az emésztőrendszeri okok miatti halálozás területén (Közép-Magyar-országi Régió). A megye mutatói régiós viszonylatban kimondottan kedvezőek a daganatos megbetegedések okozta halálozás körében, hiszen szintje a második legalacsonyabb (Nyugat-Dunántúli Régió).

  10. Magyarország régióinak és Szabolcs-Szatmár-Bereg megye keringési halálozásának átlagai ANOVA – means plot A legnagyobb hasonlóságot az Észak-Magyarországi, a Dél-Dunántúli, és az Észak-Alföldi Régió mutatja a megyével. Ez a sorrend a hasonlóság mértékét tükrözi, vagyis Szabolcs-Szatmár-Bereg megye keringési halálozási adatai sokkal közelebb állnak az Észak-Magyarországi Régió megyéihez, mint saját régiójának adataihoz, mely csak a harmadik leginkább hasonló hozzá. A 4. ábrán láthatjuk, hogy a kerin-gési csoportban Szabolcs-Szatmár-Bereg megye egyértelműen átlagosan a legmagasabb mutatókkal ren-delkezik. A legalacsonyabb értékek a Közép-Magyarországi Régió esetében szerepelnek. A régiók átlagai között kiemelkedően jelentős különbségek nincsenek.

  11. Magyarország régióinak és Szabolcs-Szatmár-Bereg megye daganatos halálozásának átlagai ANOVA – means plot Ha megvizsgáljuk a megyével leginkább egy csoportba tartozó régiókat, akkor az első három helyen felsorolhatjuk az átlagok különbségei alapján a Nyugat-Dunántúli, a Dél-Alföldi és a Közép-Dunántúli Régiót. A Nyugat-Dunántúli Régió kivételével minden esetben negatív értéket kaptunk a különbségekre. Ez azt jelenti, hogy a régiós átlagoknál Szabolcs-Szatmár-Bereg megyében alacsonyabb a daganatos betegségben elhaltak átlagos száma. Itt is kiemelném, mennyire eltérnek a megye mutatói saját régiójának számaitól.

  12. Regresszió- számítás

  13. Vaszily Zsoltné:Az R használhatósági vizsgálata az Egészségügyi szervező szakon- 2008 R – GNU General Public License A szoftver bármilyen célra felhasználható. Lehetőség van a szoftver működésének szabad tanulmányozására és módosítására. Szabadon terjeszthető, továbbadható. Lehetőség van a szoftver továbbfejlesztésére és a fejlesztés közreadására. Szakdolgozatom megírásának célja az volt, hogy megvizsgáljam, bevezetésre kerüljön-e az R- program nyelv oktatása az Egészségügyi szervező szakon. Mivel sikerült a Dinya Elek könyv példáit megoldani a programnyelv használatával, és az elsajátítása szakirodalom segítségével sem okozott igen nagy nehézséget a feladat megoldásához elegendő mértékben, ezért ajánlom használatát az Egészségügyi szervező szakon. Hátrányai: Használatához általános programozási ismeretek szükségesek. Van aki idegenkedik a karakteres parancs fordító használatától. Jelenleg nincs hozzá magyar nyelvű fordító környezet.

  14. Dandóci Edit: Traumatológiai műtétet követően mért lymphocyta értékek biometriai elemzése - 2008 A szervezetet érő külső hatások többek között az immunrendszer aktiválódásával járnak. Az immunrendszer aktivitásának egyik fokmérője a vérből vett TNF szint meghatározása, illetve a lymphocyta/ monocyta rendszer aktiválódásának egyszerű fokmérője a lymphocyta szám meghatározása. Ebben a vizsgálatban az volt a cél, hogy a lymphocyta/ monocyta rendszer, pontosabban a műtétet megelőző és az azt követő lymphocyta szám meghatározásával lehet-e összefüggést találni a betegek gyógyulása, fertőzéses szövődményeinek kialakulása között. Az eredmények során kimutatható volt, hogy egy korábban elvégzett vizsgálatban megállapított TNF szint változásai és a most vizsgált lymphocyta szám változások között összefüggés található, illetve szignifikáns összefüggést sikerült bizonyítani az ápolási napok száma, a mért lymphocyta értékek és a betegség lefolyása között. A „Logisztikus regresszió” teljes modell szignifikáns (0,001<0,05) eredményt adott, mely szerint van összefüggés a különböző időpontban mért lymphocyta értékek, a kórházban eltöltött idő és a betegség kimenetele között. Még folyamatban … Számítási modell

  15. Gräfl Anita:A fej-nyak laphámrák prognosztikai tényezői - 2008 Célom az volt, hogy matematikai statisztikai módszerekkel teljes körűen megvizsgáljam a ezen paraméterek belső összefüggéseit, a túlélésben betöltött szerepüket. Különös figyelmet fordítottam arra, hogy megvizsgáljam, igaz -e az, hogy a fiatalabb betegeknél a fej-nyaki tumorok lefolyási dinamikája gyorsabb, túlélési mutatóik rosszabbak, mint az idősebb korosztálynál. A második ábráról leolvasható, hogy míg az 50 évnél fiatalabb betegek csak 0,25 valószínűséggel élik meg a három évet, addig az 50 év fölötti betegeknél ugyanez a valószínűség 0,54. Itt p=0,008. A stádium szerinti függvények közül az első három stádium között nincs szignifikáns különbség, míg a IV. stádiumú betegek túlélése szignifikánsan rosszabb ezeknél. (p=0,0153). Például annak valószínűsége, hogy az I, II és III. stádiumú betegek megélik a három évet 0,59, míg a IV-es stádiumú betegekre ugyan ez a valószínűség csak 0.32.

  16. Sólyom Aranka: A fürdőgyógyászai ellátások alakulása az utóbbi tíz év során a Nagyerdei Gyógyászati Kft.-ben - 2009 Regresszió-analízis R^2 értékek a lineáris modellnél 0,545, cubic esetében 0,632. Kezelésszám=103243,248+(-2425,865*t)+(150,386*t^2)+(-3,552*t^3)

  17. Idősorok analízise Debrecen: kiemelkedő hónap a január, a július és a november, ezzel szemben decemberben, áprilisban és leginkább szeptemberben visszaesés tapasztalható. Miskolc: kiemelkedő a júliusi időszak, a visszaesés szeptemberben kisebb mértékű, novemberben némi emelkedés tapasztalható, majd januárban következik be a legnagyobb visszaesés. Győr: szembetűnő, a szeptemberi jelentős visszaesés. A kezelésszámok felfutása pedig júliusra és novemberre esik. Mindhárom gyógyászat esetében a szezonalitás vizsgálat júliusra emelkedést, szeptemberre pedig csökkenést prognosztizál. Általánosítható megjegyzések: A gyógyászatok által elvégzett kezelések száma az év folyamán ciklikusan változik. Beazonosíthatóak azok az időszakok, amikor a kezelésszámok felfutása, ill. csökkenése várható. Harmadik hipotézisemet, miszerint a kezelésszámok nem egyformán oszlanak el az év folyamán, a három gyógyászat adataira támaszkodva, elfogadom. A debreceni kezelésszám szezonális tagja A miskolci kezelésszámok szezonális tagja Indoklás, okok keresése?! A győri kezelésszámok szezonális tagja

  18. Séllei Andrea: A dohányzás és a tüdőrák közti összefüggés vizsgálatamagyar populációban - 2009 A dohányzás és a tüdőrákos halálozások változásának összefüggése az Egyesült Államokban. A fehér görbe a naponta elszívott cigaretták számát jelöli, a narancs színű görbe a férfi és női tüdőrákos halálozás arányát mutatja. Forrás: www.deathfromcancer.net Tüdőrák halálozás 25-64 éves korban a Európa országaiban Forrás: WHO, Atlas of Health in Europe, 2nd edition 2008

  19. Kidolgozott statisztikai modell Számításaim és az alkalmazott grafikonok görbéi alapján igazoltnak tűnik, hogy a tüdődaganatok - a férfiak már most is csökkenő, a nőknek pedig várhatóan néhány éven belül csökkenni kezdő halálozási arányszámai alapján - előbb-utóbb elveszítik vezető helyüket a daganat halálozási rangsorban. Görbeillesztés – regressziós modell Szélsőérték keresés – deriválás, … A dohányzás és tüdőrák halálozás összefüggése mindkét nemben Magyarországon (1960-2008) Forrás: Nemzeti Rákregiszter adatai, WHO adatok, http://www.stardust.hu/dohanyzas/nok2.htm#2, http://www.stardust.hu/dohanyzas/dohanyz1.htm#1, ODE Dohányzás Monitor, KSH, OLEF 2003,

  20. Vezető szerep elvesztése: mikor? A tüdőrák halálozásban betöltött vezető szerepének elvesztésének valószínű időpontját a két görbe egyenletének egyenlővé tételével és megoldásával számítottam ki, melyet a 40. ábra szemléltet. A férfiak esetében: -1,835x+193,2=0,0374x+63,09 ebből következik x=69,5 tehát a várható időpont 1959+70=2029. A nők esetében: -0,001x3-0,029x2+0,947x+37,69=-0,454x+43,81 ebből következik x=22, tehát a várható időpont 1959+40+22=2021. finomítás … egy újabb dolgozat … !!!

  21. Köszönöm a figyelmet!

More Related